Obiettivi formativi
Conoscenze e comprensione.
Comprensione dei concetti principali alla base dei modelli multivariati e dei fondamenti teorici e metodologici per analizzare l’informazione congiunta in un insieme di variabili. Comprensione delle principali funzionalità per l’implementazione, per l’esecuzione di tali tecniche su R e per il loro uso consapevole, anche in relazione alle assunzioni per la loro applicabilità. Capacità di interpretare e contestualizzare i risultati delle analisi per l’esplorazione di fenomeni che coinvolgano lo studio di più attributi o variabili di interesse in diversi ambiti applicativi, con particolare attenzione a dati relativi a tratti psicologici, comportamenti e percezioni individuali o a fenomeni sociali.
Capacità di applicare conoscenze e comprensione.
Capacità di tradurre le conoscenze teoriche e metodologiche acquisite nel corso in casi studio concreti, favorendo la scelta e un uso appropriato delle tecniche di analisi, supportate da strumenti informatici, in relazione ai singoli casi di studio.
Capacità di apprendimento.
Capacità di contestualizzare le conoscenze acquisite in continuità con le competenze caratterizzanti il percorso di studio, integrandole con altre competenze personali per favorire un’interpretazione appropriata di fenomeni psicologici e sociali.
Autonomia di giudizio.
Autonomia di utilizzo delle tecniche e delle loro implementazioni come funzionalità software, così come autonomia nella ricerca di ulteriori strumenti che supportino la modellizzazione di un fenomeno di interesse o di un problema di ricerca.
Abilità comunicative.
Capacità di individuare, riportare e interpretare indici di sintesi, risultati da test statistici o risultati derivanti dalla stima di modelli multivariati, anche con il supporto di strumenti grafici più adatti per la restituzione efficace dell’informazione. Capacità di comunicare tali risultati in modo efficace, adattando la discussione al target destinatario senza compromettere la validità delle interpretazioni e la solidità delle argomentazioni, fornendo un’interpretazione adeguata allo studio di fenomeni psicologici e sociali.
Programma
Il corso mira a fornire i fondamenti teorici e le basi per la loro applicazione volte all’analisi di dati multivariati e alla modellizzazione statistica di strutture di dipendenza congiunta. Partendo dalle tecniche di algebra lineare per la fattorizzazione e la decomposizione di matrici e dalle proprietà principali della distribuzione normale multivariata, le studentesse e gli studenti apprenderanno a:
comprendere il ruolo della matrice di covarianza, della sua stima e delle sue decomposizioni;
applicare modelli lineari multivariati (MANOVA e, più in generale, regressione multivariata);
identificare e stimare modelli con variabili latenti (analisi fattoriale esplorativa e confermativa, concentrandosi sull'approccio parametrico);
avere le basi per approcci di modellizzazione e tecniche che non assumano normalità o che richiedano assunzioni distribuzionali meno stringenti (modelli di equazioni strutturali - SEM).
Fondamenti di analisi multivariata e richiami di geometria delle variabili: rappresentazione matriciale, fattorizzazioni notevoli (fattori di Gram, SVD). Richiami su vettori di variabili aleatorie, momenti, matrici di covarianza e correlazione. Distanza di Mahalanobis. Implementazione in R.
Richiami alla distribuzione normale multivariata: definizione e proprietà; marginali e distribuzioni condizionate, combinazioni lineari, cenni alla funzione generatrice dei momenti. Stima ML di media e covarianza. Test di normalità multivariata. Implementazione in R.
Distribuzione di Wishart: definizione e proprietà. Gradi di libertà. Legame con la distribuzione chi-quadro. Cenni alla statistica T-quadro di Hotelling. Implementazione in R.
MANOVA: decomposizione della covarianza e sua interpretazione. Formulazione di MANOVA e valutazione del modello. Assunzioni di MANOVA e test d’ipotesi. Autovalori generalizzati e derivazione delle statistiche test. Implementazione in R e interpretazione dei risultati.
Modello di regressione multivariata: dalla regressione multipla univariata alla regressione multivariata, definizione e assunzioni; decomposizione della variabilità tramite proiezioni e derivazione di statistiche test; cenni alle correlazioni canoniche. Stima dei coefficienti e della loro variabilità campionaria.
Analisi fattoriale: motivazioni e premesse dell’analisi fattoriale. Concetti principali: comunalità, unicità e relazione con la PCA. Analisi fattoriale esplorativa (EFA): numero ed estrazione dei fattori, rotazioni e interpretazione; forme di incertezza nell'analisi fattoriale. Analisi fattoriale confermativa (CFA): specificazione del modello, identificazione e approcci di stima. Indici di bontà del modello e loro interpretazione. Implementazione in R.
Introduzione ai modelli di equazioni strutturali (SEM): modello di misura e modello strutturale; path analysis e relazioni tra costrutti latenti. Sintassi lavaan in R. Oltre la normalità (cenni): approcci di stima distribution-free (PLS-SEM) e cenni alle copule.
Modalità d'esame
Esame scritto a cui si può accedere previa discussione di un report sull'analisi di un caso studio, da presentare almeno tre giorni prima dell'appello al quale si intende partecipare e in data da concordare con il docente. Verifica orale dell'elaborato a discrezione del docente.
Lo studente/la studentessa, disabile e/o con DSA/BES, che intenda usufruire di un intervento individualizzato per la preparazione e lo svolgimento della prova d’esame può contattare l’Ufficio Inclusione dell'Università del Salento all'indirizzo [email protected]
Testi di riferimento
Materiale didattico fornito dal docente e accessibile dalla pagina E-Learning del corso.
Per ulteriori dettagli e approfondimenti, si può fare riferimento a:
Corbetta P. (1992). Metodi di analisi multivariata per le scienze sociali . Bologna, Il Mulino
e a materiale selezionato da:
Mulaik, S. A. (2009). Foundations of factor analysis , 2a ed. Boca Raton, FL, US, Chapman & Hall/CRC Press
Anderson, T. W. (2003). An Introduction to Multivariate Statistical Analysis , 2a ed. Hoboken, NJ, US, John Wiley & Sons
Codice insegnamento 270172